命名实体识别医疗领域.zip

主动学习通过选择现有模型中未充分训练的数据进行迭代训练,从而利用少量标注数据训练出较高性能的模型。 传统的主动学习方法只关注数据本身的信息量而忽略了该数据是否孤立。论文提出一种改进的主动学习方法,利用

适合作为命名实体识别的补充预料，包括微软亚研院MSRA：46365条语料、人民日报：23061条语料和Boson:2000条语料。都是标注过的，非常实用，适合新手作为刚开始的模型练习。

主要实现使用了基于字向量的四层双向LSTM与CRF模型的网络.该项目提供了原始训练数据样本(一般醒目,出院情况,病史情况,病史特点,诊疗经过)与转换版本,训练脚本,预训练模型,可用于序列标注研究.把玩

一种松耦合的生物医学命一种松耦合的生物医学命名实体识别算法名实体识别算法

ner_elmo 用ELMO命名实体识别(语言模型的嵌入)

动机:在生物医学研究中,化学是一类重要的实体,化学命名实体识别(NER)是生物医学信息提取领域中的一项重要任务。 但是,大多数流行的化学NER方法都基于传统的机器学习,其性能在很大程度上取决于特征工程

文本信息抽取的关键步骤之一是命名实体识别，它在自然语言处理中扮演着重要的角色。其中基于规则的方法是一种常见而有效的实现方式，通过制订专家规则来进行命名实体的识别。例如，可以构建规则来识别特定地名与人民

命名实体识别 使用CONLL格式的数据进行命名实体识别

面向生物医学命名实体识别的多Agent元学习框架

NER_CRF_Model:使用条件随机字段的命名实体识别